论文页面 - PaperBanana-Interact：基于多轮人类反馈的科学图表优化

来源：https://huggingface.co/papers/2608.30241

摘要

一个多轮基准与多智能体系统通过减少修订过程中的质量漂移与特征遗忘，提升了科学图表生成效果。

近期研究致力于从论文内容自动生成科学图表（Lin et al., 2026; Zhu et al., 2026a）。然而，要在单轮对话中完全满足作者的视觉与传达偏好颇具挑战：在我们的探索性用户研究（N=14）中，所有参与者在查看初始草图后均要求进一步修改，其中86%的用户认为优化后的图表更为满意。尽管需求明确，多轮协作流程仍鲜有探索。为此，我们推出MTPaperBananaBench——一个包含292张图像及3,518条用户需求的多轮图表生成基准（https://huggingface.co/papers?q=multi-turn%20diagram%20generation）。为减少昂贵的人工研究并实现可扩展的基准测试，我们构建了用户模拟器（https://huggingface.co/papers?q=user%20simulator），该模拟器在每轮交互中识别未满足需求，并将其中k条转化为自然语言反馈。通过评估需求满足度与图表整体质量，我们发现了基线多轮系统共有的两个关键失效模式：(1)质量漂移（https://huggingface.co/papers?q=quality%20drift），即图表质量随轮次增加而逐步下降；(2)遗忘（https://huggingface.co/papers?q=forgetting），即先前实现的特征在后续轮次中丢失。为解决这些问题，我们提出PaperBanana-Interact——一个通过内部批评-优化循环（https://huggingface.co/papers?q=critique-and-refine%20loop）优化图表的多智能体系统（https://huggingface.co/papers?q=multi-agent%20system）。PaperBanana-Interact能在各轮次中持续提升图表质量而非使其退化，在质量评分上超越基线模型11.9-18.6分，并将遗忘问题降低3.7-6.2分。

查看arXiv页面 | 查看PDF | 添加到收藏

引用本文的模型

0个模型关联本文

在模型README.md中引用arxiv.org/abs/2608.30241即可从本页面建立链接。

引用本文的数据集

0个数据集关联本文

在数据集README.md中引用arxiv.org/abs/2608.30241即可从本页面建立链接。

引用本文的Spaces

0个Space关联本文

在Space README.md中引用arxiv.org/abs/2608.30241即可从本页面建立链接。

包含本文的合集

0个合集包含本文

将本文添加到合集即可从本页面建立链接。